Curățarea și transformarea datelor
Pe această pagină
De la date brute la informații acționabile
Datele din lumea reală sunt rareori curate. Veți întâlni duplicate provenite din importuri duble, valori lipsă deoarece un câmp era opțional, formate de dată care se schimbă în funcție de persoana care a introdus datele și coloane moștenite de la instrumente legacy. Înainte de a putea analiza orice, trebuie să curățați datele. Acest pas a fost mult timp cea mai ingrată parte a jobului. ChatGPT îl transformă într-o conversație: dumneavoastră descrieți problema, el generează codul de curățare, îl execută și vă arată rezultatul pentru verificare înainte de a continua.
Diagnosticarea calității datelor
Curățarea fără diagnostic este ca repararea unui obiect cu ochii legați. Începeți fiecare sesiune cu un audit:
Analyze the quality of this file: missing values per column,
duplicates, detected data types, and potential outliers.
Raportul oferă procentajul de valori lipsă pe fiecare coloană, numărul de rânduri duplicate, coloanele cu tipuri inconsistente—un amestec de text și numere indică aproape întotdeauna o introducere manuală—și valorile extreme care sunt probabil erori de tastare. Pentru un fișier de comenzi, auditul ar putea revela clienți fără coduri poștale sau o comandă de 950.000 € în loc de 950 €. Un prompt mai scurt funcționează de asemenea: „Verifică acest fișier: ce probleme comune găsești?“. ChatGPT poate sugera apoi mai multe modalități de a le remedia; întrebați despre consecințele fiecăreia înainte de a alege.
Gestionarea valorilor lipsă
Aceasta este cea mai frecventă problemă și nu există o soluție universală: strategia corectă depinde de ceea ce înseamnă spațiul gol în contextul dumneavoastră. O sumă lipsă nu este același lucru cu o adresă de e-mail lipsă.
Ștergerea rândurilor incomplete funcționează atunci când datele lipsă sunt rare și necritice. O campanie de e-mail nu are nicio utilitate pentru un contact fără adresă: acel rând este irecuperabil.
Delete all rows where the "email" column is empty.
Completarea cu o valoare implicită are sens atunci când cunoașteți valoarea logică. Dacă afacerea dumneavoastră operează exclusiv în Franța și câmpul „țară“ era opțional, absența înseamnă „Franța“; o sumă goală pe o linie de discount înseamnă zero, nu „necunoscut“.
Replace missing values in "country" with "France"
and those in "amount" with 0.
În final, interpolarea se potrivește seriilor temporale și datelor continue, unde o valoare nulă ar crea un gol artificial în curbă.
For missing values in "monthly_revenue", use the average
of the previous and following months for the same customer.
Eliminarea duplicatelor
Duplicatele distorsionează toate statisticile ulterioare: numărarea unui client de două ori îi dublează contribuția la venituri și îi boostează artificial clasamentul. Totuși, trebuie mai întâi să definiți ce constituie un duplicat, deoarece două comenzi de la același client în aceeași zi pot fi legitime.
Identify and remove duplicates based on the columns
"customer_name" and "order_date". Keep the first occurrence.
Cereți-i lui ChatGPT să vă arate rândurile afectate înainte de a le elimina și luați-vă timp să le revizuiți: acesta este momentul exact în care veți vedea dacă ștergeți un duplicat real de import sau o a doua comandă genuină.
Standardizarea formatelor
Datele sunt primul obstacol. Un fișier alimentat de multiple surse conține adesea „15/03/2026“, „2026-03-15“ și „15 March 2026“, pe care pandas nu le poate sorta împreună: curba dumneavoastră lunară va rămâne mută până când acest lucru nu este rezolvat.
Convert all dates in the "purchase_date" column
to YYYY-MM-DD format and flag those that cannot be converted.
Textul pune dificultăți mai insidioase deoarece rămâne lizibil pentru ochiul uman. „Paris“, „PARIS“ și „paris“ contează ca trei orașe distincte; un spațiu final după „Lyon “ creează un al patrulea; „Saint-Étienne“ versus „St Etienne“ împarte vânzările regionale în două linii, niciuna fiind corectă.
Normalize the "city" column: capitalize the first letter,
remove extra spaces, and group variants
(Saint/St, missing hyphens).
În final, numerele ajung adesea formatate pentru afișare mai degrabă decât pentru calcul. Atâta timp cât coloana conține „1,250.50 €“, nicio sumare nu este posibilă.
The "price" column contains values like "1,250.50 €".
Convert it to a decimal number (1250.50) and remove the euro symbol.
Crearea de noi coloane
Transformarea nu înseamnă doar reparare; înseamnă și îmbogățire. O coloană de dată devine o axă trimestrială pentru compararea perioadelor; o coloană de sume devine un segment comercial utilizabil în analizele dumneavoastră.
Create a "quarter" column from "order_date"
and a "revenue_tier" column that categorizes revenue as:
"Small" (< 1000), "Medium" (1000-5000), "Large" (> 5000).
ChatGPT generează codul pandas corespunzător, folosind pd.cut() sau condiții logice, și îl execută. Apoi verificați distribuția rezultată: dacă 90% dintre clienții dumneavoastră intră la „Small“, pragurile sunt slab calibrate, iar segmentarea nu vă va învăța nimic.
Exportul datelor curățate
Odată ce curățarea este completă, recuperați fișierul curat. Butonul de descărcare, situat în partea dreaptă-sus a unui tabel produs de ChatGPT, îl salvează în format CSV. Pentru un format specific, cereți-l:
Export the cleaned DataFrame as CSV (UTF-8, semicolon separator)
so I can download it.
Apoi deschideți fișierul în software-ul dumneavoastră de foi de calcul și comparați numărul de rânduri cu originalul: plecați cu un fișier utilizabil în altă parte—Excel, instrument BI, sesiunea următoare—fără a fi nevoie să refaceți totul săptămâna viitoare. Lucrați întotdeauna pe o copie și păstrați fișierul original intact pentru a putea reveni dacă este necesar.
Pe rândul dumneavoastră
Prima dumneavoastră curățare.
- Importați o copie a unui fișier real și solicitați un audit de calitate
- Gestionați valorile lipsă coloană cu coloană, în funcție de semnificația spațiului gol
- Definiți ce constituie un duplicat, examinați rândurile afectate, apoi eliminați-le
- Standardizați datele, orașele și sumele
- Descărcați fișierul curat și comparați numărul de rânduri cu originalul
Surse oficiale: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (Centrul de Ajutor OpenAI)
Puncte cheie
- Începeți întotdeauna cu un audit de calitate înainte de a analiza
- ChatGPT gestionează valorile lipsă, duplicatele și formatele inconsistente în câteva mesaje
- Verificați sistematic rezultatele intermediare—cereți o previzualizare după fiecare operațiune
- Exportați fișierul curățat pentru a-l reutiliza în alte instrumente dacă este necesar
- Codul Python este vizibil: îl puteți copia și reutiliza în propriile scripturi